La predicción de precios de acciones sigue siendo un desafío persistente en el análisis de series temporales debido a las complejas relaciones entre acciones y señales textuales dinámicas como las noticias financieras. Si bien las Redes Neuronales de Grafos (GNN) pueden modelar estructuras relacionales, a menudo tienen dificultades para capturar dependencias de orden superior y son sensibles al ruido. Además, las señales de sentimiento se agregan típicamente utilizando ventanas de tiempo fijas, lo que puede introducir sesgos temporales. Para abordar estos problemas, proponemos DASF-Net (Red de Fusión de Sentimiento Consciente de Difusión), un marco multimodal que integra información estructural y textual para una predicción robusta. DASF-Net aprovecha los procesos de difusión sobre dos gráficos financieros complementarios: uno basado en relaciones industriales y el otro en indicadores fundamentales, para aprender representaciones de acciones más ricas. Al mismo tiempo, las incrustaciones de sentimiento extraídas de noticias financieras utilizando FinBERT se agregan a través de una ventana optimizada empíricamente para preservar la relevancia temporal. Estas modalidades se fusionan a través de un mecanismo de atención de múltiples cabezas y se pasan a un módulo de pronóstico temporal. DASF-Net integra precios de acciones diarios y sentimiento de noticias, utilizando una ventana de agregación de sentimiento de 3 días, para pronosticar precios de acciones en horizontes diarios (1-3 días). Los experimentos en 12 acciones de gran capitalización del S&P 500 durante cuatro años demuestran que DASF-Net supera a las líneas base competitivas, logrando hasta un 91.6% de reducción relativa en el Error Cuadrático Medio (MSE). Los resultados destacan la efectividad de combinar la difusión de grafos y características conscientes del sentimiento para mejorar la predicción financiera.